KR20220111918A - 캐릭터 애니메이션 동작 제어 방법 및 장치 - Google Patents

캐릭터 애니메이션 동작 제어 방법 및 장치 Download PDF

Info

Publication number
KR20220111918A
KR20220111918A KR1020210015326A KR20210015326A KR20220111918A KR 20220111918 A KR20220111918 A KR 20220111918A KR 1020210015326 A KR1020210015326 A KR 1020210015326A KR 20210015326 A KR20210015326 A KR 20210015326A KR 20220111918 A KR20220111918 A KR 20220111918A
Authority
KR
South Korea
Prior art keywords
animation
actions
character
state
binary
Prior art date
Application number
KR1020210015326A
Other languages
English (en)
Inventor
노준용
조경민
김채린
Original Assignee
삼성전자주식회사
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사, 한국과학기술원 filed Critical 삼성전자주식회사
Priority to KR1020210015326A priority Critical patent/KR20220111918A/ko
Priority to US17/333,278 priority patent/US11721055B2/en
Publication of KR20220111918A publication Critical patent/KR20220111918A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/80—2D [Two Dimensional] animation, e.g. using sprites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

캐릭터 애니메이션 동작 제어 방법 및 장치가 개시된다. 일 실시예에 따른 캐릭터 애니메이션 재생 방법은, 캐릭터의 스테이트에 기초하여 제1 액션들을 추출하는 단계와, 상기 스테이트에 기초하여 제2 액션들을 추출하는 단계와, 상기 제1 액션들 및 상기 제2 액션들에 포함되는 액션들 중 어느 하나를 선택하는 단계와, 선택된 액션에 기초하여 상기 스테이트를 업데이트하는 단계를 포함한다.

Description

캐릭터 애니메이션 동작 제어 방법 및 장치{CHARACTER ANIMATION MOTION CONTORL METHOD AND DEVICE}
아래 개시는 캐릭터 애니메이션 동작 제어 방법 및 장치에 관한 것이다.
실시간 애니메이션 재생을 위한 방법으로 모션 그래프(motion graph)를 사용하는 기술이 흔히 이용된다. 모션 그래프를 이용한 방법은 애니메이션 생성을 위해 미리 애니메이션 그래프를 만들고, 런타임 동안 적합한 그래프 엣지(edge)를 선택하여 애니메이션 클립을 재생한다.
모션 그래프를 사용하는 방법은 애니메이션 반응 속도가 떨어지며, 고품질 애니메이션을 생성하기 위해서는 많은 수작업을 요구되는 문제점이 있다. 반응성을 해결하기 위해서는 더 많은 애니메이션 데이터를 활용하고, 더 복잡한 그래프를 생성하는 간접적 해결방식이 있지만, 이에 따라서 필요한 수작업이 크게 늘어날 수 있다.
일 실시예에 따른 캐릭터 애니메이션 재생 방법은, 캐릭터의 스테이트에 기초하여 제1 액션들을 추출하는 단계와, 상기 스테이트에 기초하여 제2 액션들을 추출하는 단계와, 상기 제1 액션들 및 상기 제2 액션들에 포함되는 액션들 중 어느 하나를 선택하는 단계와, 선택된 액션에 기초하여 상기 스테이트를 업데이트하는 단계를 포함한다.
상기 스테이트는, 상기 캐릭터의 관절 정보에 연관된 동작 파라미터와, 현재 재생하고 있는 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드와, 상기 캐릭터의 동작 변화의 안정성에 연관된 동작 불안정성 파라미터와, 상기 캐릭터가 수행하는 태스크에 연관된 목표 파라미터를 포함할 수 있다.
상기 제1 액션들 및 상기 제2 액션들은, 재생될 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드를 포함할 수 있다.
상기 제1 액션들을 추출하는 단계는, 바이너리 레이턴트 코드에 기초하여 학습된 네트워크를 통해 상기 스테이트에 기초하여 제안 액션을 추출하는 단계와, KNN 알고리즘(K-Nearest Neighbor Algorithm)을 통해 상기 제안 액션과 유사한 상기 제1 액션들을 추출하는 단계를 포함할 수 있다.
상기 제2 액션들을 추출하는 단계는, 트랜지션 가능한 바이너리 레이턴트 코드들을 대응시키는 테이블에 기초하여 상기 스테이트에 대응하는 상기 제2 액션들을 추출하는 단계를 포함할 수 있다.
업데이트하는 단계는, 상기 선택된 액션에 포함된 바이너리 레이턴트 코드를 애니메이션 데이터베이스에서 검색하는 단계와, 상기 바이너리 레이턴트 코드에 대응되는 애니메이션 데이터 세그먼트 중 하나를 선택하는 단계와, 선택된 애니메이션 데이터 세그먼트에 기초하여 상기 스테이트를 업데이트하는 단계를 포함할 수 있다.
상기 업데이트하는 단계는, 상기 선택된 액션에 기초하여 상기 동작 불안정성 파라미터를 계산하는 단계와, 상기 동작 불안정성 파라미터가 임계치 이하인 경우에 상기 스테이트를 업데이트하는 단계를 포함할 수 있다.
상기 캐릭터 애니메이션 재생 방법은, 원본 애니메이션 데이터에 애니메이션 데이터베이스를 생성하는 단계를 더 포함할 수 있다.
상기 생성하는 단계는, 상기 원본 애니메이션 데이터를 애니메이션 데이터 세그먼트들로 분할하는 단계와, 상기 애니메이션 데이터 세그먼트들의 특징을 추출하는 단계와, 상기 특징에 대응하는 바이너리 레이턴트 코드들을 생성하는 단계와, 상기 바이너리 레이턴트 코드들에 기초하여 상기 애니메이션 데이터 세그먼트들을 클러스터링하는 단계와, 동일한 클러스터에 포함되는 애니메이션 데이터들의 평균 특징을 계산하는 단계를 포함할 수 있다.
일 실시예에 따른 캐릭터 애니메이션 재생 장치는, 인스트럭션들을 포함하는 메모리와, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 캐릭터의 스테이트에 기초하여 제1 액션들을 추출하고, 상기 스테이트에 기초하여 제2 액션들을 추출하고, 상기 제1 액션들 및 상기 제2 액션들에 포함되는 액션들 중 하나를 선택하고, 선택된 액션에 기초하여 상기 스테이트를 업데이트한다.
상기 스테이트는, 상기 캐릭터의 관절 정보에 연관된 동작 파라미터와, 현재 재생하고 있는 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드와, 상기 캐릭터의 동작 변화의 안정성에 연관된 동작 불안정성 파라미터와, 상기 캐릭터가 수행하는 태스크에 연관된 목표 파라미터를 포함할 수 있다.
상기 제1 액션들 및 상기 제2 액션들은, 재생될 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드를 포함할 수 있다.
상기 프로세서는, 바이너리 레이턴트 코드에 기초하여 학습된 네트워크를 통해 상기 스테이트에 기초하여 제안 액션을 추출하고, KNN 알고리즘(K-Nearest Neighbor Algorithm)을 통해 상기 제안 액션과 유사한 상기 제1 액션들을 추출할 수 있다.
상기 프로세서는, 트랜지션 가능한 바이너리 레이턴트 코드들을 대응시키는 테이블에 기초하여 상기 스테이트에 대응하는 상기 제2 액션들을 추출할 수 있다.
상기 프로세서는, 상기 선택된 액션에 포함된 바이너리 레이턴트 코드를 애니메이션 데이터베이스에서 검색하고, 상기 바이너리 레이턴트 코드에 대응되는 애니메이션 데이터 세그먼트 중 하나를 선택하고, 선택된 애니메이션 데이터 세그먼트에 기초하여 상기 스테이트를 업데이트할 수 있다.
상기 프로세서는, 상기 선택된 액션에 기초하여 상기 동작 불안정성 파라미터를 계산하고, 상기 동작 불안정성 파라미터가 임계치 이하인 경우에 상기 스테이트를 업데이트할 수 있다.
상기 프로세서는, 원본 애니메이션 데이터에 기초하여 애니메이션 데이터베이스를 생성할 수 있다.
상기 프로세서는, 상기 원본 애니메이션 데이터를 애니메이션 데이터 세그먼트들로 분할하고, 상기 애니메이션 데이터 세그먼트들의 특징을 추출하고, 상기 특징에 대응하는 바이너리 레이턴트 코드들을 생성하고, 상기 바이너리 레이턴트 코드들에 기초하여 상기 애니메이션 데이터 세그먼트들을 클러스터링하고, 동일한 클러스터에 포함되는 애니메이션 데이터들의 평균 특징을 계산할 수 있다.
도 1은 일 실시예에 따른 캐릭터 애니메이션 재생 방법을 나타낸다.
도 2는 애니메이션 데이터베이스를 개념적으로 나타낸다.
도 3은 애니메이션 데이터베이스를 생성하는 동작을 나타낸다.
도 4는 바이너리 레이턴트 코드를 생성하기 위한 오토 인코더를 나타낸다.
도 5는 제안 네트워크 및 KNN 샘플러의 동작을 상세하게 설명하기 위한 도면이다.
도 6은 액션 샘플러의 동작을 상세하게 설명하기 위한 도면이다.
도 7은 Q 네트워크의 동작을 상세하게 설명하기 위한 도면이다.
도 8은 스테이트 트랜지션을 상세하게 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 캐릭터 애니메이션 재생 장치를 나타낸다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 캐릭터 애니메이션 재생 방법을 나타낸다.
캐릭터 애니메이션 재생 방법(10)은 가상의 애니메이션 캐릭터가 주어진 목표를 수행하기 위한 최적의 동작을 실시간으로 결정하는 제어 정책(control policy)을 생성하는 방법일 수 있다.
캐릭터 애니메이션 재생 방법(10)은 캐릭터의 현재 동작, 환경 및/또는 목표 정보를 스테이트(state)로 구성하고, 다음 단위 시간(예를 들어, 0.1초) 동안 캐릭터에 적용할 애니메이션 정보를 액션(action)으로 구성하여, 애니메이션 실행을 위해 매 단위 시간 마다 제어 정책에 기초하여 현재 스테이트에 대한 최적의 액션을 추론하는 방법일 수 있다.
스테이트(s)는 캐릭터의 관절 정보에 연관된 동작 파라미터(p), 현재 재생하고 있는 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드(binary latent code; z), 캐릭터의 동작 변화의 안정성에 연관된 동작 불안정성 파라미터(motion instability parameter; d), 및 캐릭터가 수행하는 태스크에 연관된 목표 파라미터(goal parameter; g)를 포함할 수 있다. 스테이트(s)는 수학식 1과 같이 표현될 수 있다.
Figure pat00001
동작 파라미터(p)는 로컬 관절 위치(local joint position;
Figure pat00002
), 로컬 관절 방향(local joint orientation;
Figure pat00003
), 로컬 관절 속도(local joint velocity;
Figure pat00004
) 및 로컬 관절 회전 변위(local joint rotational displacement;
Figure pat00005
)를 포함할 수 있다. 동작 파라미터(p)는 j개의 관절을 가진 캐릭터에 대해 수학식 2와 같이 표현될 수 있다(i, j는 자연수).
Figure pat00006
바이너리 레이턴트 코드(z)는 캐릭터 애니메이션을 재생하기 위한 애니메이션 데이터 세그먼트에 대응하는 벡터일 수 있다. 예를 들어, 애니메이션 데이터베이스는 단위 시간을 기준으로 분할된 애니메이션 데이터 세그먼트들을 포함할 수 있고, 각각의 애니메이션 데이터 세그먼트는 특정 바이너리 레이턴트 코드(z)에 대응될 수 있다. 스테이트(s)는 현재 재생하고 있는 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드(z)를 포함할 수 있다.
스테이트(s)는 바이너리 레이턴트 코드(z)를 대신하여 애니메이션 데이터 세그먼트에 대응하는 특징 벡터(feature vecture; f)를 포함할 수도 있다. 특징 벡터(f)는 각각의 애니메이션 데이터 세그먼트에서 추출될 수 있다.
동작 불안정성 파라미터(d)는 캐릭터의 동작 변화가 자연스럽게 이루어질 수 있도록 정의된 파라미터일 수 있다. 동작 불안정성 파라미터(d)는 스테이트가 트랜지션될 때 변화하는 캐릭터의 동작 변화 정도에 기초하여 정의될 수 있다. 동작 불안정성 파라미터(d)가 임계치 보다 큰 스테이트는 현재 재생 중인 동작과 다른 동작으로의 트랜지션이 이루어지지 않을 수 있다.
목표 파라미터(g)는 캐릭터가 수행하는 태스크를 나타낼 수 있다. 예를 들어, 캐릭터가 특정 위치로 이동하도록 제어되는 경우 목표 파라미터(g)는 목표 지점의 위치를 나타내는 좌표(
Figure pat00007
)일 수 있고, 캐릭터의 이동 방향이 제어되는 경우 목표 파라미터(g)는 목표 각 및 목표 속도(
Figure pat00008
)를 나타낼 수 있다.
액션(a)은 바이너리 레이턴트 코드(z)를 포함할 수 있다. 액션(a)에 포함된 바이너리 레이턴트 코드(z)는 다음 단위 시간 동안 재생될 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드(z)일 수 있다. 즉, 스테이트(s)의 바이너리 레이턴트 코드(z)가 액션(a)의 바이너리 레이턴트 코드(z)로 대체되면서 스테이트(s)가 트랜지션될 수 있다.
캐릭터 애니메이션 재생 방법(10)은 시뮬레이터(simulator; 100), 제안 네트워크(proposal network; 120), KNN 샘플러(K-nearest neighbor(KNN) sampler; 130), 액션 샘플러(action sampler; 140) 및 Q 네트워크(Q network; 150)을 통해 수행될 수 있다. 시뮬레이터(simulator; 100), 제안 네트워크(proposal network; 120), KNN 샘플러(K-nearest neighbor(KNN) sampler; 130), 액션 샘플러(action sampler; 140) 및 Q 네트워크(Q network; 150)는 설명의 편의를 위해, 캐릭터 애니메이션 재생 방법(10)에 포함되는 각각의 동작들에 기초하여 개념적으로 구분된 것일 뿐, 서로 물리적으로 분리되어 구현되는 하드웨어 장치로 이해되어서는 안된다. 예를 들어, 캐릭터 애니메이션 재생 방법(10)은 소프트웨어로서 프로세서를 통해 수행될 수 있고, 시뮬레이터(simulator; 100), 제안 네트워크(proposal network; 120), KNN 샘플러(K-nearest neighbor(KNN) sampler; 130), 액션 샘플러(action sampler; 140) 및 Q 네트워크(Q network; 150)는 각각은 소프트웨어를 구성하는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합일 수 있다.
시뮬레이터(100)는 스테이트에 기초하여 선택된 최적의 액션에 기초하여 스테이트를 업데이트할 수 있다. 시뮬레이터(100)는 현재의 스테이트를 제안 네트워크(120), KNN 샘플러(130), 액션 샘플러(140)에 제공할 수 있고, Q 네트워크(150)를 통해 추론된 최적의 액션에 기초하여 스테이트를 트랜지션시킬 수 있다.
제안 네트워크(120)는 스테이트에 기초하여 제안 액션(proposed action)을 추출할 수 있다. 제안 네트워크(120)는 강화 학습을 통해 스테이트를 트랜지션시킬 제안 액션을 추출하도록 학습될 수 있다.
KNN 샘플러(130)는 제안 액션에 기초하여 KNN 액션들(KNN actions)을 추출할 수 있다. KNN 샘플러(130)는 KNN 알고리즘(K-nearest neighbor algorithm)을 통해 제안 액션과 유사하며 애니메이션 데이터베이스에 포함된 액션들을 추출할 수 있다.
액션 샘플러(140)는 스테이트에 기초하여 샘플 액션들(sampled actions)을 추출할 수 있다. 액션 샘플러(140)는 스테이트에 대응하는 캐릭터의 동작과 유사한 동작에 대응하는 액션들을 샘플링할 수 있다.
Q 네트워크(150)는 스테이트에 기초하여 KNN 액션들 및 샘플 액션들에 포함되는 액션들 중 하나의 액션을 선택할 수 있다. Q 네트워크(150)는 강화 학습을 통해 KNN 액션들 및 샘플 액션 중 스테이트를 트랜지션시킬 액션을 선택하도록 학습될 수 있다.
도 2는 애니메이션 데이터베이스를 개념적으로 나타내고, 도 3은 애니메이션 데이터베이스를 생성하는 동작을 나타내고, 도 4는 바이너리 레이턴트 코드를 생성하기 위한 오토 인코더를 나타낸다.
캐릭터 애니메이션 재생 방법(10)에 이용되는 애니메이션 데이터베이스(200)는 원본 애니메이션 데이터(310)가 단위 시간(예를 들어, 0.1초)을 기준으로 분할된 애니메이션 데이터 세그먼트(330)들을 포함할 수 있다. 애니메이션 데이터베이스(200)는 애니메이션 데이터 세그먼트(330)들에 대응되는 키(key) 및 트랜지션 가능한 키 집합을 더 포함할 수 있다. 이때, 키는 바이너리 레이턴트 코드(370) 및 평균 특징(mean feature; 390)일 수 있다.
분할된 애니메이션 데이터 세그먼트(330)들 각각에 대해 특징(350)이 추출될 수 있다. 바이너리 레이턴트 코드(370)는 오토 인코더(400)를 통해 특징(350)에 기초하여 생성될 수 있다.
애니메이션 데이터 세그먼트(330)는 바이너리 레이턴트 코드(370)에 기초하여 클러스터링될 수 있다. 예를 들어, 동일한 바이너리 레이턴트 코드(370)에 대응되는 애니메이션 데이터 세그먼트(330)는 하나의 클러스터를 이룰 수 있다.
평균 특징(390)은 동일한 클러스터에 포함되는 애니메이션 데이터 세그먼트(330)의 특징(350)들의 평균일 수 있다. 즉, 하나의 클러스터는 하나 이상의 애니메이션 데이터 세그먼트(330)를 포함하고, 대응되는 바이너리 레이턴트 코드(370) 및 평균 특징(390)을 가질 수 있다.
트랜지션 가능한 키 집합은 클러스터에 포함되는 애니메이션 데이터 세그먼트(330)와 유사하여 트랜지션될 수 있는 애니메이션 데이터 세그먼트(330)들을 포함하는 클러스터의 키들을 포함할 수 있다. 즉, 트랜지션 가능한 키 집합은 트랜지션될 수 있는 클러스터의 바이너리 레이턴트 코드(370) 및 평균 특징(390)들의 집합일 수 있다.
애니메이션 데이터베이스(200)는 트랜지션 가능한 바이너리 레이턴트 코드들을 대응시키는 테이블을 포함할 수 있다. 애니메이션 데이터베이스(200)는 애니메이션 데이터 세그먼트(330)를 바이너리 레이턴트 코드(370)에 기초하여 클러스터링하고, 각각의 클러스터에 키 및 트랜지션 가능한 키 집합을 대응시켜 정리할 수 있다.
오토 인코더(400)는 특징(350)에 기초하여 바이너리 레이턴트 코드(370)를 생성할 수 있다. 오토 인코더(400)는 인코더(410) 및 디코더(430)를 포함할 수 있다. 인코더(410)는 특징(350)에 기초하여 레이턴트 코드(470)를 생성할 수 있다. 레이턴트 코드(470)는 바이너리 레이턴트 코드(370)로 이진화 될 수 있고, 디코더(430)는 바이너리 레이턴트 코드(370)에 기초하여 특징(490)을 복원할 수 있다. 예를 들어, 오토 인코더(400)의 동작은 수학식 3 내지 수학식 5와 같이 표현될 수 있다.
Figure pat00009
Figure pat00010
Figure pat00011
수학식 3 내지 수학식 5에서, E 및 D는 인코더(410) 및 디코더(430)를 나타낸다.
Figure pat00012
는 i번째 애니메이션 데이터 세그먼트(330)이고,
Figure pat00013
및
Figure pat00014
는 각각 i번째 애니메이션 데이터 세그먼트(330)에 기초하여 생성된 레이턴트 코드(470) 및 바이너리 레이턴트 코드(370)이고,
Figure pat00015
는 복원된 특징(490)이다. W1 내지 W5 및 b1 내지 b5는 뉴럴 네트워크의 웨이트와 바이어스 값이며,
Figure pat00016
는 비선형 활성화 함수이다. Binarize 함수는 입력 값이 0.5 보다 클 경우 1이고, 그 외의 경우에는 0인 함수이다.
오토 인코더(400)는 특징(350) 및 복원된 특징(490)의 차이를 최소화하고, 손실되는 정보가 최소화되도록 학습될 수 있다. 예를 들어, 오토 인코더(400)는 수학식 6과 같이 표현되는 손실 함수(L)에 기초하여 학습될 수 있다.
Figure pat00017
도 5는 제안 네트워크 및 KNN 샘플러의 동작을 상세하게 설명하기 위한 도면이고, 도 6은 액션 샘플러의 동작을 상세하게 설명하기 위한 도면이고, 도 7은 Q 네트워크의 동작을 상세하게 설명하기 위한 도면이다.
제안 네트워크(120)는 스테이트(
Figure pat00018
) 및 제안 네트워크 파라미터(θp)에 기초하여 제안 액션(
Figure pat00019
)을 리턴할 수 있다. 예를 들어, 제안 네트워크 파라미터(θp)는 제안 네트워크(120)의 웨이트 및 바이어스 값을 포함할 수 있다.
KNN 샘플러(130)는 제안 액션(
Figure pat00020
)에 기초하여 KNN 액션들(
Figure pat00021
)을 리턴할 수 있다. KNN 샘플러(130)는 KNN 알고리즘(K-Nearest Neighbor Algorithm)을 통해 제안 액션(
Figure pat00022
)과 거리(
Figure pat00023
)가 특정 값 이하인 액션들을 애니메이션 데이터베이스(200)에서 찾아서 리턴할 수 있다. 이때, nk는 KNN 액션들의 개수 일 수 있다.
액션 샘플러(140)는 스테이트(
Figure pat00024
)에 포함되는 바이너리 레이턴트 코드(z)와 유사한 샘플 액션들(
Figure pat00025
)을 리턴할 수 있다. 예를 들어, 샘플 액션들(
Figure pat00026
)은 애니메이션 데이터베이스(200)에서 바이너리 레이턴트 코드(z)에 대응하는 트랜지션 가능한 키들에 대응될 수 있다. 즉, 샘플 액션들(
Figure pat00027
)은 트랜지션 가능한 키로 정리된 바이너리 레이턴트 코드(z)를 포함하는 액션들일 수 있다.
Q 네트워크(150)는 KNN 액션들(
Figure pat00028
), 샘플 액션들(
Figure pat00029
) 및 Q 네트워크 파라미터(θp)에 기초하여 액션(
Figure pat00030
)을 리턴할 수 있다. Q 네트워크 파라미터(θp)는 Q 네트워크(150) 웨이트 및 바이어스 값을 포함할 수 있다. Q 네트워크(150)는 스테이트(
Figure pat00031
)에 기초하여 KNN 액션들(
Figure pat00032
) 및 샘플 액션들(
Figure pat00033
)에 포함되는 액션들에 대한 Q-밸류(Q-value)를 계산하고, 이 중 가장 큰 Q-밸류에 대응하는 액션을 리턴할 수 있다.
제안 네트워크(120) 및 Q 네트워크(150)는 강화학습을 통해 스테이트를 트랜지션하기 위한 최적의 액션(
Figure pat00034
)이 리턴되도록 학습될 수 있다. 즉, 제안 네트워크 파라미터(θp) 및 Q 네트워크 파라미터(θp)는 리워드 함수에 기초하여 업데이트될 수 있다. 예를 들어, 제안 네트워크(120) 및 Q 네트워크(150)는 AQL(Amortized Q-learning)을 통해 학습될 수 있다.
도 8은 스테이트 트랜지션을 상세하게 설명하기 위한 도면이다.
시뮬레이터(100)는 액션에 기초하여 스테이트를 트랜지션할 수 있다. 시뮬레이터(100)는 액션에 포함된 바이너리 레이턴트 코드(370)를 애니메이션 데이터베이스(200)에서 검색하여 바이너리 레이턴트 코드(370)에 대응하는 애니메이션 데이터 세그먼트(330)들을 리턴할 수 있다. 시뮬레이터(100)는 리턴된 애니메이션 데이터 세그먼트(330)들 중에서 캐릭터의 현재 포즈와 가장 유사한 포즈로 스테이트를 트랜지션할 수 있다.
구체적으로, 도 8은 액션(a 12 )이 선택되어 스테이트(s)가 스테이트(s tr )로 트랜지션되는 동작을 개념적으로 도시한다. 이 경우, 시뮬레이터(100)는 애니메이션 데이터베이스(200)에서 액션(a 12 )에 포함된 바이너리 레이턴트 코드(z)를 검색하여 대응하는 애니메이션 세그먼트들(
Figure pat00035
)을 획득할 수 있다.
시뮬레이터(100)는 애니메이션 세그먼트들(
Figure pat00036
)에 대한 캐릭터의 동작 파라미터(
Figure pat00037
)를 계산할 수 있다.
시뮬레이터(100)는 동작 파라미터(
Figure pat00038
)에 기초하여 애니메이션 세그먼트들(
Figure pat00039
) 중 최적의 애니메이션 세그먼트(
Figure pat00040
)를 결정할 수 있다. 이때, i*은 수학식 7과 같을 수 있다.
Figure pat00041
이때, D는 동작 사이의 차이를 나타내는 함수로, 수학식 8과 같이 정의될 수 있다.
Figure pat00042
트랜지션된 스테이트(s tr )는 애니메이션 세그먼트(
Figure pat00043
)에 기초하여 결정될 수 있다. 즉, 스테이트(s tr )는 스테이트(s)에서 바이너리 레이턴트 코드가 애니메이션 세그먼트(
Figure pat00044
)에 대응되는 바이너리 레이턴트 코드로 교체된 스테이트일 수 있다.
스테이트(
Figure pat00045
)는 스테이트(s tr )에서 단위 시간만큼 재생된 후의 스테이트일 수 있다. 동작 불안정성 파라미터(d')는 변화되는 동작 사이의 차이(D)에 기초하여 수학식 9와 같이 계산될 수 있는데, 시뮬레이터(100)는 동작 불안정성 파라미터(d')가 임계치 이하인 경우에만 스테이트를 트랜지션할 수 있다. 예를 들어, 스테이트(s)는 동작 불안정성 파라미터(d')가 임계치 이하인 경우에만 현재 재생하는 액션(a 21 )과 다른 액션(a 12 )으로 트랜지션될 수 있다. 수학식 9에서,
Figure pat00046
와
Figure pat00047
는 미리 설정된 상수일 수 있다.
Figure pat00048
도 9는 일 실시예에 따른 캐릭터 애니메이션 재생 장치를 나타낸다.
캐릭터 애니메이션 재생 장치(900)는 캐릭터 애니메이션 재생 방법(10)을 수행할 수 있다. 캐릭터 애니메이션 재생 장치(900)는 프로세서(910), 메모리(920) 및 입출력 인터페이스(930)를 포함하고, 프로세서(910), 메모리(920) 및 입출력 인터페이스(930)는 버스(940)를 통해 서로 연결될 수 있다.
메모리(920)는 원격 강의 서비스 제공을 위한 데이터 및 입출력 인터페이스(930)를 통해 수신된 정보를 저장할 수 있다. 이 밖에도, 메모리(920)는 각종 데이터와 프로그램 등을 저장할 수 있다. 메모리(920)는 휘발성 메모리 및 비휘발성 메모리를 포함할 수 있다.
메모리(920)는 하드 디스크 등과 같은 대용량 저장 매체를 구비하여 각종 데이터를 저장할 수 있다. 예를 들어, 메모리(920)는 하나 이상의 하드 디스크를 이용하여 데이터베이스를 구성하고, 데이터베이스에 원격 강의 서비스 제공을 위한 각종 데이터를 저장할 수 있다.
프로세서(910)는 메모리(920)에 저장된 데이터를 처리할 수 있다. 프로세서(910)는 메모리(920)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(910)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(910)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
프로세서(910)는 중앙 처리 장치(central processing unit), 그래픽 처리 장치(graphics processing unit), 신경망 처리 장치(neural processing unit), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
캐릭터 애니메이션 재생 장치(900)를 통해 수행되는 캐릭터 애니메이션 재생 방법(10)은 도 1 내지 도 8을 참조하여 상세히 설명하였으므로, 중복되는 설명은 생략하도록 한다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (19)

  1. 캐릭터의 스테이트에 기초하여 제1 액션들을 추출하는 단계;
    상기 스테이트에 기초하여 제2 액션들을 추출하는 단계;
    상기 제1 액션들 및 상기 제2 액션들에 포함되는 액션들 중 어느 하나를 선택하는 단계; 및
    선택된 액션에 기초하여 상기 스테이트를 업데이트하는 단계
    를 포함하는, 캐릭터 애니메이션 재생 방법.
  2. 제1항에 있어서,
    상기 스테이트는,
    상기 캐릭터의 관절 정보에 연관된 동작 파라미터;
    현재 재생하고 있는 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드;
    상기 캐릭터의 동작 변화의 안정성에 연관된 동작 불안정성 파라미터; 및
    상기 캐릭터가 수행하는 태스크에 연관된 목표 파라미터
    를 포함하는, 캐릭터 애니메이션 재생 방법.
  3. 제1항에 있어서,
    상기 제1 액션들 및 상기 제2 액션들은,
    재생될 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드를 포함하는, 캐릭터 애니메이션 재생 방법.
  4. 제1항에 있어서,
    상기 제1 액션들을 추출하는 단계는,
    바이너리 레이턴트 코드에 기초하여 학습된 네트워크를 통해 상기 스테이트에 기초하여 제안 액션을 추출하는 단계; 및
    KNN 알고리즘(K-Nearest Neighbor Algorithm)을 통해 상기 제안 액션과 유사한 상기 제1 액션들을 추출하는 단계
    를 포함하는, 캐릭터 애니메이션 재생 방법.
  5. 제1항에 있어서,
    상기 제2 액션들을 추출하는 단계는,
    트랜지션 가능한 바이너리 레이턴트 코드들을 대응시키는 테이블에 기초하여 상기 스테이트에 대응하는 상기 제2 액션들을 추출하는 단계
    를 포함하는, 캐릭터 애니메이션 재생 방법.
  6. 제1항에 있어서,
    업데이트하는 단계는,
    상기 선택된 액션에 포함된 바이너리 레이턴트 코드를 애니메이션 데이터베이스에서 검색하는 단계;
    상기 바이너리 레이턴트 코드에 대응되는 애니메이션 데이터 세그먼트 중 하나를 선택하는 단계; 및
    선택된 애니메이션 데이터 세그먼트에 기초하여 상기 스테이트를 업데이트하는 단계
    를 포함하는, 캐릭터 애니메이션 재생 방법.
  7. 제2항에 있어서,
    상기 업데이트하는 단계는,
    상기 선택된 액션에 기초하여 상기 동작 불안정성 파라미터를 계산하는 단계; 및
    상기 동작 불안정성 파라미터가 임계치 이하인 경우에 상기 스테이트를 업데이트하는 단계
    를 포함하는, 캐릭터 애니메이션 재생 방법.
  8. 제1항에 있어서,
    원본 애니메이션 데이터에 기초하여 애니메이션 데이터베이스를 생성하는 단계
    를 더 포함하는, 캐릭터 애니메이션 재생 방법.
  9. 제8항에 있어서,
    상기 생성하는 단계는,
    상기 원본 애니메이션 데이터를 애니메이션 데이터 세그먼트들로 분할하는 단계;
    상기 애니메이션 데이터 세그먼트들의 특징을 추출하는 단계;
    상기 특징에 대응하는 바이너리 레이턴트 코드들을 생성하는 단계;
    상기 바이너리 레이턴트 코드들에 기초하여 상기 애니메이션 데이터 세그먼트들을 클러스터링하는 단계; 및
    동일한 클러스터에 포함되는 애니메이션 데이터들의 평균 특징을 계산하는 단계
    를 포함하는, 캐릭터 애니메이션 재생 방법.
  10. 하드웨어와 결합되어 제1항 내지 제9항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  11. 인스트럭션들을 포함하는 메모리; 및
    상기 인스트럭션들을 실행하기 위한 프로세서
    를 포함하고,
    상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는,
    캐릭터의 스테이트에 기초하여 제1 액션들을 추출하고,
    상기 스테이트에 기초하여 제2 액션들을 추출하고,
    상기 제1 액션들 및 상기 제2 액션들에 포함되는 액션들 중 하나를 선택하고,
    선택된 액션에 기초하여 상기 스테이트를 업데이트하는, 캐릭터 애니메이션 재생 장치.
  12. 제11항에 있어서,
    상기 스테이트는,
    상기 캐릭터의 관절 정보에 연관된 동작 파라미터;
    현재 재생하고 있는 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드;
    상기 캐릭터의 동작 변화의 안정성에 연관된 동작 불안정성 파라미터; 및
    상기 캐릭터가 수행하는 태스크에 연관된 목표 파라미터
    를 포함하는, 캐릭터 애니메이션 재생 장치.
  13. 제11항에 있어서,
    상기 제1 액션들 및 상기 제2 액션들은,
    재생될 애니메이션 데이터 세그먼트에 대응하는 바이너리 레이턴트 코드를 포함하는, 캐릭터 애니메이션 재생 장치.
  14. 제11항에 있어서,
    상기 프로세서는,
    바이너리 레이턴트 코드에 기초하여 학습된 네트워크를 통해 상기 스테이트에 기초하여 제안 액션을 추출하고,
    KNN 알고리즘(K-Nearest Neighbor Algorithm)을 통해 상기 제안 액션과 유사한 상기 제1 액션들을 추출하는, 캐릭터 애니메이션 재생 장치.
  15. 제11항에 있어서,
    상기 프로세서는,
    트랜지션 가능한 바이너리 레이턴트 코드들을 대응시키는 테이블에 기초하여 상기 스테이트에 대응하는 상기 제2 액션들을 추출하는, 캐릭터 애니메이션 재생 장치.
  16. 제11항에 있어서,
    상기 프로세서는,
    상기 선택된 액션에 포함된 바이너리 레이턴트 코드를 애니메이션 데이터베이스에서 검색하고,
    상기 바이너리 레이턴트 코드에 대응되는 애니메이션 데이터 세그먼트 중 하나를 선택하고,
    선택된 애니메이션 데이터 세그먼트에 기초하여 상기 스테이트를 업데이트하는, 캐릭터 애니메이션 재생 장치.
  17. 제12항에 있어서,
    상기 프로세서는,
    상기 선택된 액션에 기초하여 상기 동작 불안정성 파라미터를 계산하고,
    상기 동작 불안정성 파라미터가 임계치 이하인 경우에 상기 스테이트를 업데이트하는, 캐릭터 애니메이션 재생 장치.
  18. 제11항에 있어서,
    상기 프로세서는,
    원본 애니메이션 데이터에 기초하여 애니메이션 데이터베이스를 생성하는, 캐릭터 애니메이션 재생 장치.
  19. 제18항에 있어서,
    상기 프로세서는,
    상기 원본 애니메이션 데이터를 애니메이션 데이터 세그먼트들로 분할하고,
    상기 애니메이션 데이터 세그먼트들의 특징을 추출하고,
    상기 특징에 대응하는 바이너리 레이턴트 코드들을 생성하고,
    상기 바이너리 레이턴트 코드들에 기초하여 상기 애니메이션 데이터 세그먼트들을 클러스터링하고,
    동일한 클러스터에 포함되는 애니메이션 데이터들의 평균 특징을 계산하는, 캐릭터 애니메이션 재생 장치.
KR1020210015326A 2021-02-03 2021-02-03 캐릭터 애니메이션 동작 제어 방법 및 장치 KR20220111918A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210015326A KR20220111918A (ko) 2021-02-03 2021-02-03 캐릭터 애니메이션 동작 제어 방법 및 장치
US17/333,278 US11721055B2 (en) 2021-02-03 2021-05-28 Method and device with character animation motion control

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210015326A KR20220111918A (ko) 2021-02-03 2021-02-03 캐릭터 애니메이션 동작 제어 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20220111918A true KR20220111918A (ko) 2022-08-10

Family

ID=82612612

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210015326A KR20220111918A (ko) 2021-02-03 2021-02-03 캐릭터 애니메이션 동작 제어 방법 및 장치

Country Status (2)

Country Link
US (1) US11721055B2 (ko)
KR (1) KR20220111918A (ko)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100408428B1 (ko) 2001-06-15 2003-12-06 한국과학기술원 동작 포착 데이터를 이용한 이동 동작 계획에 대한 확률적접근 방법
KR101014852B1 (ko) 2010-10-08 2011-02-15 동국대학교 산학협력단 인공지능 기반의 캐릭터 동작생성 장치, 방법 및 그 기록 매체
KR20150057424A (ko) 2013-11-19 2015-05-28 한국전자통신연구원 증강현실 아바타 상호작용 방법 및 시스템
KR101498610B1 (ko) 2013-12-03 2015-03-09 대한민국 가상환경 내 캐릭터와 훈련자 동작연동을 통한 전술 모의훈련 장치, 모의훈련 연동방법 및 모의훈련 모니터링 방법
US10388053B1 (en) 2015-03-27 2019-08-20 Electronic Arts Inc. System for seamless animation transition
JP6672047B2 (ja) 2016-04-08 2020-03-25 株式会社バンダイナムコエンターテインメント プログラム及びコンピュータシステム
US10657696B2 (en) 2016-12-13 2020-05-19 DeepMotion, Inc. Virtual reality system using multiple force arrays for a solver
US10325396B2 (en) 2017-02-14 2019-06-18 Linden Research, Inc. Virtual reality presentation of eye movement and eye contact
US10546408B2 (en) 2018-03-20 2020-01-28 Adobe Inc. Retargeting skeleton motion sequences through cycle consistency adversarial training of a motion synthesis neural network with a forward kinematics layer
EP3807846A1 (en) * 2018-06-18 2021-04-21 Unity IPR APS Method and system for real-time animation generation using machine learning
US11786147B2 (en) 2019-02-25 2023-10-17 Frederick Michael Discenzo Distributed sensor-actuator system for synchronized movement
JP2020149399A (ja) 2019-03-14 2020-09-17 株式会社シーエスレポーターズ 仮想現実空間の提供方法
US11132606B2 (en) * 2019-03-15 2021-09-28 Sony Interactive Entertainment Inc. Reinforcement learning to train a character using disparate target animation data

Also Published As

Publication number Publication date
US20220245879A1 (en) 2022-08-04
US11721055B2 (en) 2023-08-08

Similar Documents

Publication Publication Date Title
US11227235B1 (en) Universal artificial intelligence engine for autonomous computing devices and software applications
KR102184278B1 (ko) 메타학습에 기반한 임의의 목표 데이터셋과 모델 구조로의 전이학습 방법 및 시스템
KR102535411B1 (ko) 메트릭 학습 기반의 데이터 분류와 관련된 장치 및 그 방법
US11494607B1 (en) Artificially intelligent systems, devices, and methods for learning and/or using an avatar's circumstances for autonomous avatar operation
US10402731B1 (en) Machine learning for computer generated objects and/or applications
WO2020102733A1 (en) Learning to generate synthetic datasets for training neural networks
US10474934B1 (en) Machine learning for computing enabled systems and/or devices
US10102449B1 (en) Devices, systems, and methods for use in automation
US11625595B2 (en) Knowledge transfer between recurrent neural networks
US11727265B2 (en) Methods and apparatus to provide machine programmed creative support to a user
US20200101383A1 (en) Method and apparatus for recognizing game command
US20230419113A1 (en) Attention-based deep reinforcement learning for autonomous agents
KR102406540B1 (ko) 새로운 태스크에 적응하며 지속 학습하기 위한 신경망 모델의 분할 및 재결합 학습 방법
KR20170108526A (ko) 모사학습 및 행동 조합에 기반한 로봇의 작업 행동궤적 생성 방법 및 그 장치
EP3855388A1 (en) Image processing device and operation method thereof
KR20200068106A (ko) 딥러닝 신경망의 압축 방법 및 이를 수행하기 위한 장치
Tian et al. Mitigating network latency in cloud-based teleoperation using motion segmentation and synthesis
KR20220111918A (ko) 캐릭터 애니메이션 동작 제어 방법 및 장치
KR102597184B1 (ko) 가지치기 기반 심층 신경망 경량화에 특화된 지식 증류 방법 및 시스템
KR102610431B1 (ko) 인공지능 분석 기반 프로그램 소스코드의 요약문 생성 장치 및 방법
JP7041239B2 (ja) 深層距離学習方法およびシステム
JP2024516586A (ja) パラメータ曲線ベースの検出器ネットワーク
KR20220151256A (ko) 순환 생성 적대 네트워크 조건부 생성 적대 네트워크
JPWO2020110272A1 (ja) 機械学習装置、機械学習方法、及びプログラム
KR102641629B1 (ko) 설명 가능한 인공지능 기반의 트랜스포머를 활용한 데이터 처리 방법 및 시스템